完整定義
餘弦相似度是一種衡量兩個非零向量之間夾角餘弦值的度量方法。它用於評估兩個向量在方向上的相似程度,而不考慮它們的大小。餘弦相似度的值介於 -1 和 1 之間,值越大表示向量越相似。常見應用包括文本相似度、推薦系統和圖像檢索。
白話說明
你有沒有遇過兩段文字長短不同,卻想知道它們有多像?
你可以把餘弦相似度想成「看兩個向量方向像不像」:它不太管長度,只看方向是否接近。
它很重要,因為文本、向量和語意搜尋常需要比相似程度,餘弦相似度在這種場景特別好用,也常是向量檢索的第一個排序標準。
記住這句
方向像不像,比長短更重要。
比喻:餘弦相似度就像判斷兩個人「想法有多接近」的指標 -- 它不是看他們說了多少字,而是看他們表達的方向是不是一致。如果兩個向量(代表兩段文字或兩個概念)指向同一個方向,那它們的餘弦相似度就高,表示想法很接近。
容易混淆
餘弦相似度 vs 歐氏距離 vs 內積
餘弦相似度:看方向,不太看長度
歐氏距離:看兩點物理上隔多遠
內積:會受方向和長度一起影響
最關鍵的區別:餘弦相似度重點是「方向一致不一致」。
實際案例
語意搜尋
前:只靠關鍵字,字不同就找不到
後:把查詢和文件轉成向量,再用餘弦相似度找最接近的內容
推薦相似文章
前:文章長度不同,直接比字數沒意義
後:用向量方向判斷主題是否接近,再推相似內容
演算法與應用
餘弦相似度常和嵌入表示、向量資料庫、語義搜尋、Word2Vec 一起出現
它會先把資料轉成向量,再用夾角來比較相似性
在實務上,是否要先正規化向量,會影響它和內積的關係
中英對照與常見說法
- 說法
- 餘弦相似度
- 出現場合
- 台灣正式用語
- 說法
- 余弦相似度
- 出現場合
- 簡體寫法
- 說法
- Cosine Similarity
- 出現場合
- 英文原名
- 說法
- 夾角餘弦
- 出現場合
- 強調幾何意義時的說法
- 說法
- 相似度(similarity)
- 出現場合
- 泛稱,向量檢索脈絡下多半就是指餘弦相似度
公式與實際算一次
兩個向量 A 與 B 的餘弦相似度定義為:
cos(θ) = (A · B) / (‖A‖ × ‖B‖)
分子是內積,分母是兩個向量長度的乘積。實際算一次:
A = [1, 2, 3],B = [2, 4, 6]
結果剛好是 1,因為 B 就是 A 乘以 2,兩個向量方向完全相同。這正是餘弦相似度的關鍵性質:它只看方向,不看長度。
值域是 -1 到 1。1 代表方向相同,0 代表垂直(無關),-1 代表方向相反。用在文字嵌入時實務上很少出現負值,因為多數嵌入模型的輸出落在相近的區域。
- 步驟
- 內積 A · B
- 計算
- 1×2 + 2×4 + 3×6
- 結果
- 28
- 步驟
- ‖A‖
- 計算
- √(1 + 4 + 9)
- 結果
- 3.742
- 步驟
- ‖B‖
- 計算
- √(4 + 16 + 36)
- 結果
- 7.483
- 步驟
- 相似度
- 計算
- 28 ÷ (3.742 × 7.483)
- 結果
- 1.0
跟其他距離的取捨
一個常被忽略的等價關係:向量先做 L2 正規化之後,內積就等於餘弦相似度,歐氏距離的排序也跟餘弦相似度一致。所以多數向量資料庫的做法是入庫前先正規化,之後統一用內積算,速度最快。
- 度量
- 餘弦相似度
- 看的是
- 方向
- 適合
- 文字嵌入、向量檢索,因為文件長短不該影響主題相似度
- 度量
- 歐氏距離
- 看的是
- 絕對位置
- 適合
- 座標、影像特徵等長度本身有意義的情境
- 度量
- 內積
- 看的是
- 方向加上長度
- 適合
- 推薦系統,長度可以編碼熱門程度
- 度量
- Jaccard 相似度
- 看的是
- 集合重疊比例
- 適合
- 標籤、關鍵字這類集合型資料
情境判斷
Q1(直覺題): 兩段文字長度差很多,但主題很像,餘弦相似度還能有效嗎?
可以,因為它主要看方向,不太在意長短。
Q2(判斷題): 如果兩個向量很長,餘弦相似度就一定比較高嗎?
不一定,長度不是它最在意的事,方向才是。
常見問題
不一定,若允許負向量,範圍可以到 -1 到 1。
不一定,但它是最常見也最直觀的方法之一。
關鍵字比對看字面,餘弦相似度看語意向量的方向。
scikit-learn 的 cosine_similarity(X, Y) 可以一次算出多筆樣本兩兩之間的相似度矩陣,PyTorch 則有 torch.nn.CosineSimilarity。也能用 NumPy 自己寫 np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)),但要先處理長度為 0 的向量,否則會除以零。
常見定義是餘弦距離 = 1 − 餘弦相似度,scikit-learn 的 cosine_distances 就是這樣算。相似度範圍是 −1 到 1,換成距離後是 0 到 2,0 代表方向完全相同。要注意餘弦距離不滿足三角不等式,嚴格來說不是數學上的距離,不過拿來排序最近鄰沒有問題。
出現在這些考古題
官方公告試題的逐題解析裡,這 3 題把餘弦相似度列為延伸術語。
相關術語
來源
參考來源:en.wikipedia.org
其他格式:Markdown 版本